test-dagnn.lua

   1 #!/usr/bin/env luajit
   2
   3 --[[
   4
   5    Copyright (c) 2016 Idiap Research Institute, http://www.idiap.ch/
   6    Written by Francois Fleuret <francois.fleuret@idiap.ch>
   7
   8    This file is free software: you can redistribute it and/or modify
   9    it under the terms of the GNU General Public License version 3 as
  10    published by the Free Software Foundation.
  11
  12    It is distributed in the hope that it will be useful, but WITHOUT
  13    ANY WARRANTY; without even the implied warranty of MERCHANTABILITY
  14    or FITNESS FOR A PARTICULAR PURPOSE.  See the GNU General Public
  15    License for more details.
  16
  17    You should have received a copy of the GNU General Public License
  18    along with this file.  If not, see <http://www.gnu.org/licenses/>.
  19
  20 ]]--
  21
  22 require 'torch'
  23 require 'nn'
  24 require 'dagnn'
  25
  26 -- torch.setnumthreads(params.nbThreads)
  27 torch.setdefaulttensortype('torch.DoubleTensor')
  28 torch.manualSeed(2)
  29
  30 function checkGrad(model, criterion, input, target)
  31    local params, gradParams = model:getParameters()
  32
  33    local epsilon = 1e-5
  34
  35    local output = model:forward(input)
  36    local loss = criterion:forward(output, target)
  37    local gradOutput = criterion:backward(output, target)
  38    gradParams:zero()
  39    model:backward(input, gradOutput)
  40    local analyticalGradParam = gradParams:clone()
  41
  42    for i = 1, params:size(1) do
  43       local x = params[i]
  44
  45       params[i] = x - epsilon
  46       local output0 = model:forward(input)
  47       local loss0 = criterion:forward(output0, target)
  48
  49       params[i] = x + epsilon
  50       local output1 = model:forward(input)
  51       local loss1 = criterion:forward(output1, target)
  52
  53       params[i] = x
  54
  55       local ana = analyticalGradParam[i]
  56       local num = (loss1 - loss0) / (2 * epsilon)
  57       local err
  58
  59       if num == ana then
  60          err = 0
  61       else
  62          err = torch.abs(num - ana) / torch.abs(num)
  63       end
  64
  65       print(
  66          'CHECK '
  67             .. err
  68             .. ' checkGrad ' .. i
  69             .. ' analytical ' .. ana
  70             .. ' numerical ' .. num
  71       )
  72    end
  73
  74 end
  75
  76 function printTensorTable(t)
  77    if torch.type(t) == 'table' then
  78       for i, t in pairs(t) do
  79          print('-- ELEMENT [' .. i .. '] --')
  80          printTensorTable(t)
  81       end
  82    else
  83       print(tostring(t))
  84    end
  85 end
  86
  87 --                     +--> c ----> e --+
  88 --                    /            /     \
  89 --                   /            /       \
  90 --  input --> a --> b ---> d ----+         g --> output
  91 --                          \             /
  92 --                           \           /
  93 --                            +--> f ---+
  94
  95 a = nn.Linear(50, 10)
  96 b = nn.ReLU()
  97 c = nn.Linear(10, 15)
  98 d = nn.Linear(10, 15)
  99 e = nn.CMulTable()
 100 f = nn.Linear(15, 15)
 101 g = nn.CAddTable()
 102
 103 model = nn.DAG()
 104
 105 model:addEdge(a, b)
 106 model:addEdge(b, nn.Linear(10, 5), nn.ReLU(), nn.Linear(5, 10), c)
 107 model:addEdge(b, d)
 108 model:addEdge(c, e)
 109 model:addEdge(d, e)
 110 model:addEdge(d, f)
 111 model:addEdge(e, g)
 112 model:addEdge(f, nn.Mul(-1), g)
 113
 114 model:setInput(a)
 115 model:setOutput(g)
 116
 117 local input = torch.Tensor(30, 50):uniform()
 118 local output = model:updateOutput(input):clone()
 119
 120 output:uniform()
 121
 122 checkGrad(model, nn.MSECriterion(), input, output)